部分中小银行5年期存款利率降至1.2%

传统抗蛇毒血清需要数月时间，依赖动物免疫，而如今(rújīn)，诺奖团队(tuánduì)开发的 AI“蛋白质设计师”只需几秒钟的时间去定制设计一款(yīkuǎn)蛋白。

这项突破(tūpò)不仅让抗蛇毒血清的耐热性突破 78℃、成本直降 90%，更预示着人类正式进入“AI 造药(zàoyào)”新时代。

蛋白质是(shì)生命活动的“全能选手”，从细胞(xìbāo)结构到免疫防御，全靠它“撑场子”。虽然由 20 种氨基酸通过肽键连接形成，但排列组合(páilièzǔhé)方式多到“爆炸”！

如果考虑所有可能的(de)氨基酸排列方式，理论上，蛋白质的种(zhǒng)类几乎是无限的。仅 100 个氨基酸的链条，就能拼出 20*100 种可能，比宇宙原子总数还多！虽然蛋白质的种类几乎无穷(wúqióng)，但它们都由 20 种基本氨基酸按照不同顺序(shùnxù)和组合方式构成。

生物体内的蛋白质种类受基因编码的限制，例如人类基因组大约编码 2 万种蛋白质，而通过剪切、翻译后修饰等机制(jīzhì)，最终可能形成几十万(jǐshíwàn)种功能各异的蛋白质。不同物种、不同细胞类型(lèixíng)甚至相同细胞在不同状态(zhuàngtài)下，都可能表达出不同的蛋白质组合。

蛋白质设计就是利用科学方法让氨基酸以不同的(de)排列方式(fāngshì)“定制”蛋白质，使其具备特定的结构和(hé)功能。就像用不同的积木搭建出独特的模型，科学家根据需求排列组合氨基酸，从而创造新的蛋白质。借助计算机模拟(mónǐ)和人工智能，我们可以更精准地预测和优化蛋白质结构，让它们更稳定、更高效地完成目标任务(rènwù)。

最近科学家通过 AI 设计“抗蛇毒蛋白(dànbái)”，仅用几秒钟就可以完成人类百年(bǎinián)抗蛇毒的问题。

“慢(màn)”！“贵”！“难”！

据 WHO 统计，全世界每年有 540 万人(wànrén)被蛇咬伤，约 13 万人死于蛇咬伤，因蛇咬伤截肢等(děng)造成残疾的人数大约是 39 万人。蛇毒(shédú)中的毒性成分进入人体后，会迅速对人体的神经系统(xìtǒng)、心血管系统、凝血系统以及各类细胞等造成损伤。

全世界每年约有 540 万人被蛇咬伤。图库(túkù)版权图片，转载使用可能引发版权纠纷(jiūfēn)

正常情况下，免疫系统对于曾经接触过的病原体能快速(kuàisù)做出反应(fǎnyìng)，但绝大多数人在被蛇咬之前并没有接触过蛇毒。所以，被蛇咬后人体自身的免疫防御很难马上起效，往往需要借助外部的抗蛇毒血清等治疗手段(shǒuduàn)来尽快(jǐnkuài)中和蛇毒，避免蛇毒对身体造成更严重的伤害。

然而，世界上许多地区(dìqū)都存在严重的抗蛇毒血清不足。

首先，需要从毒蛇体内提取出毒液，再将少量毒液注射到马或羊等动物的体内，诱导免疫反应的产生(chǎnshēng)。经过(jīngguò)多次免疫后，再从动物体内采集血液(xuèyè)，分离出血清，即可获得有效的抗蛇毒血清。

一套流程下来，耗时数月，成本高昂，同时不同地区的蛇种不同，毒液成分差异(chāyì)大，传统血清难以覆盖(fùgài)所有蛇毒。

传统的抗(kàng)蛇毒血清制备过程。图片来源：参考文献[1]

AI 出手，抗蛇毒血清更加有效(yǒuxiào)

近年来，针对传统抗蛇毒(shédú)血清制备方法的改进研究取得了显著进展，尤其是人工智能（AI）与计算机辅助设计技术的融合(rónghé)为抗(wèikàng)蛇毒血清研发带来了新的突破。

2025 年，美国华盛顿大学蛋白质设计研究所的 David Baker 团队在《自然》（Nature）杂志发表(fābiǎo)重磅(zhòngbàng)研究。

他们开发的 RFdiffusion 深度学习方法，可以模拟出对一种广泛存在于蛇毒中的小型蛋白毒素(dúsù)——三指毒素，具有高亲和力和高特异性的结合(jiéhé)蛋白。另外，通过(tōngguò)计算设计(shèjì)出的抗蛇毒蛋白具有高热稳定性(rèwěndìngxìng)，可通过微生物发酵策略大规模生产，和传统血清制备技术比起来，极大地降低了生成成本。

发表在《自然》杂志上的研究(yánjiū)。图片来源：参考文献[3]

RFdiffusion 可以生成具有(jùyǒu)特定功能的蛋白质结构，其工作原理可以分为几个(jǐgè)部分：

数据训练：通过(tōngguò)分析大量已知蛋白质结构，模型(móxíng)掌握了蛋白质形成的规律。

结构生成(shēngchéng)：从随机初始化的蛋白质状态出发，逐步调整氨基酸残基的位置，最终生成稳定的三维(sānwéi)结构。

功能优化(yōuhuà)：通过多轮生成与(yǔ)优化，模型逐步调整蛋白质原子的位置，使其从最初的无序状态演化为符合生物学规律的稳定构象。

Diffusion 模型的蛋白(dànbái)设计过程(guòchéng)。图片来源：参考文献[2]

研究以 α-眼镜蛇毒素和 IA 型细胞毒素为例，这两种毒素均属于三指毒素，其(qí)分子结构(fēnzǐjiégòu)就像三只手指一样从中央的核心区域伸展出来(chūlái)，但它们的长度、氨基酸构成和空间构象都不同，导致毒性机制和引发症状各异(gèyì)。

α-眼镜蛇(yǎnjìngshé)毒素：主要作用于神经系统，阻断神经信号传递(chuándì)，导致肌肉麻痹。

IA 型细胞毒素：通过与细胞膜的脂质双层相互作用(xiānghùzuòyòng)，破坏细胞膜稳定性(wěndìngxìng)，引发组织坏死和炎症反应。

基于人工智能的抗(kàng)血清蛋白设计思路。图片来源：参考文献[3]

那 AI 是如何(rúhé)精准设计抗毒蛋白呢？

在研究中，三指毒素的边缘 β-链是其与(yǔ)受体或抗体相互作用的关键部位，其表面氨基酸决定了(le)毒素的特异性和亲和力。比如，α-眼镜蛇毒素的边缘 β-链结构，能精准结合人体烟碱(yānjiǎn)型乙酰胆碱受体，阻断(zǔduàn)神经信号传递。

研究团队采用“分子互补(hùbǔ)”策略，以 α-神经毒素(shénjīngdúsù)和 IA 型细胞毒素为(wèi)目标毒素，使用 RFdiffusion 模型为目标毒素的边缘 β-链设计出几何互补的 β-链蛋白，通过空间位阻阻止毒素与受体结合，这就像(xiàng)给一半残缺的镜子(jìngzi)，通过科学手段做成互补的另一半。

具体来说，研究团队将目标毒素(dúsù)的(de)晶体结构输入 RFdiffusion 模型，模型依据输入信息和学习到的蛋白质结构规律，调整氨基酸残基的排列，促使(cùshǐ)生成的结构朝着(cháozhe)与目标毒素 β-链互补匹配，并(bìng)形成稳定的 β-折叠的方向发展，最终构建出与目标毒素互补结合的蛋白质骨干结构。

这种设计使抗毒蛋白(dànbái)能(néng)紧密结合毒素，阻断其与生理受体的相互作用，从而中和毒性。

人工智能设计(shèjì)的抗(kàng)血清蛋白的实验性能表征。图片来源：参考文献[3]

我们上面提到(tídào)过，蛋白质的功能依赖于其特定的三维结构，而高温会破坏其内部的氢键、范德华力等分子间作用力，导致蛋白质变性，如鸡蛋加热(jiārè)后(hòu)凝固。

与传统(chuántǒng)抗体相比，AI 设计的(de)抗毒蛋白展现出卓越的热稳定性：耐受 78°C 以上高温，远超传统抗体的耐热极限。常温下长期稳定，减少对(duì)冷链运输和储存的依赖，尤其适合热带地区使用。

从(cóng)理论奠基到 AI 革命

蛋白质设计领域经历了从(cóng)理论萌芽到人工智能驱动的跨越式发展，这一历程堪称现代生物技术的典范(diǎnfàn)。

20 世纪中期(zhōngqī)，Christian Anfinsen 提出(tíchū)的(de)"氨基酸序列决定蛋白质三维结构"假说，为计算蛋白质设计奠定了理论基础。随着(suízhe)计算方法的进步，Rosetta 软件的问世标志着蛋白质工程进入新纪元，该工具(gōngjù)使科学家能够在计算机上预测并设计稳定的蛋白质结构。

2003 年(nián)，David Baker 团队在(zài)《科学》（Science）杂志发表(fābiǎo)的 Top 7 蛋白研究具有里程碑意义，完全人工设计(shèjì)的蛋白质（98 个氨基酸），并且在自然界中没有同源蛋白。这项(zhèxiàng)突破首次证明计算方法可以设计具有稳定折叠结构的蛋白质，为从头重新蛋白质设计奠定了基础。

人工智能的(de)(de)引入彻底改变了蛋白质(dànbáizhì)设计领域。2020 年，DeepMind 公司的 AlphaFold 2 在(zài)蛋白质结构预测领域取得历史性突破(tūpò)，通过深度学习精确预测蛋白质结构，在 CASP 14 竞赛中(zhōng)达到了接近实验(shíyàn)的精度。随后，Meta AI 的 ESMFold 进一步加速了蛋白质结构预测，实现(shíxiàn)未知蛋白质的大规模解析，为蛋白质设计提供更丰富的数据基础。同时，生成式 AI 的引入带来质的飞跃，RFdiffusion 实现从头设计功能性蛋白质，大幅提高了蛋白质工程的可塑性和效率。

2023 年，David Baker 团队再创佳绩，进一步推进(tuījìn)人工智能在蛋白质设计领域的应用，开发(kāifā)了一种基于深度学习(xuéxí)的 AI 算法，成功从头设计出一种具有高(gāo)催化活性和高底物特异性(tèyìxìng)的人造荧光素酶。这是首次完全依赖 AI 生成全新酶类蛋白，标志着人工智能驱动的蛋白质设计从结构预测迈向功能设计(gōngnéngshèjì)的关键转折点。

2024 年，瑞典皇家科学院(ruìdiǎnhuángjiākēxuéyuàn)将诺贝尔化学奖(nuòbèiěrhuàxuéjiǎng)授予 David Baker，表彰其在计算蛋白质设计方面的贡献，并将另一半授予 Demis Hassabis和 John M. Jumper，以表彰他们(tāmen)在蛋白质结构预测(yùcè)方面的突破。这一殊荣不仅是(shì)对个人成就的肯定，更是对整个蛋白质设计领域的认可，彰显了计算生物学在现代科学中(zhōng)的核心地位。

AI 蛋白质设计正在突破传统方法(fāngfǎ)的局限，大幅(dàfú)拓展蛋白质发现的边界。与(yǔ)依赖天然模板或随机突变的传统方法相比，AI 技术能够突破进化限制，快速生成具有全新功能的蛋白质，如人工酶、智能生物材料等。通过深度学习和生成模型的结合，AI 将蛋白质筛选与优化流程(liúchéng)从(cóng)传统方法所需的数月时间，大幅缩短至数小时或数周。

在医疗应用方面，AI 蛋白质设计展现出广阔前景。除了前文(wén)提到的抗蛇毒血清外，这项技术还(hái)可开发(kāifā)抗菌、抗病毒蛋白及靶向降解工具，助力耐药性疾病和神经退行性疾病治疗。

未来(wèilái)，AI 蛋白质设计与(yǔ)自动化实验技术的结合将带来更多突破。这种融合将加速蛋白质功能优化(yōuhuà)过程，推动合成生命系统的构建，为精准医疗、绿色能源和合成生物学等领域带来革命性进展。

作者丨Denovo团队(tuánduì)